33.爬虫实战
2023年1月6日约 768 字大约 3 分钟
33.爬虫实战
爬虫一共有四个主要步骤：
- 明确目标，要知道你准备在哪个范围或者网站去搜索。
- 爬，将所有的网站内容全部爬下来。
- 取，去掉对我们没用处的数据。
- 处理数据，按照我们想要的方式存储和使用。
1，百度贴吧小爬虫
代码如下：
package main
import (
"fmt"
"net/http"
"os"
"strconv"
)
//爬取网页内容
func HttpGet(url string) (result string, err error) {
resp, err1 := http.Get(url)
if err1 != nil {
err = err1
return
}
defer resp.Body.Close()
//读取网页body的内容
buf := make([]byte, 1204*4)
for {
n, err := resp.Body.Read(buf)
if n == 0 { //读取结束，或者出问题
fmt.Println("resp.Body.Read err = ", err)
break
}
result += string(buf[:n])
}
return
}
func DoWork(start, end int) {
fmt.Printf("正在爬取 %d 到 %d 的页面\n", start, end)
//1,明确目标（要知道你准备在哪个范围或者网站去搜索）
//https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=0 //下一页+50
for i := start; i <= end; i++ {
url := "https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=" + strconv.Itoa((i-1)*50)
fmt.Println("url = ", url)
//2,爬取内容（将网站内容爬取下来）
result, err := HttpGet(url)
if err != nil {
fmt.Println("HttpGet err = ", err)
continue
}
//把内容写入到文件
fileName := strconv.Itoa(i) + ".html"
f, err1 := os.Create(fileName)
if err1 != nil {
fmt.Println("os.Create err1 = ", err1)
continue
}
f.WriteString(result) //写内容
f.Close() //关闭文件
}
}
func main() {
var start, end int
fmt.Printf("请输入起始页(>= 1)：")
fmt.Scan(&start)
fmt.Printf("请输入终止页(>= 起始页)：")
fmt.Scan(&end)
DoWork(start, end)
}
运行之后，将会把爬取的内容保存在文件中。
2，并发版爬虫
刚刚的爬虫是单任务跑的，如果爬取量非常大，就需要用到并发了。
package main
import (
"fmt"
"net/http"
"os"
"strconv"
)
//爬取网页内容
func HttpGet(url string) (result string, err error) {
resp, err1 := http.Get(url)
if err1 != nil {
err = err1
return
}
defer resp.Body.Close()
//读取网页body的内容
buf := make([]byte, 1204*4)
for {
n, err := resp.Body.Read(buf)
if n == 0 { //读取结束，或者出问题
fmt.Println("resp.Body.Read err = ", err)
break
}
result += string(buf[:n])
}
return
}
func SpiderPage(i int, page chan<- int) {
url := "https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=" + strconv.Itoa((i-1)*50)
fmt.Println("url = ", url)
//2,爬取内容（将网站内容爬取下来）
result, err := HttpGet(url)
if err != nil {
fmt.Println("HttpGet err = ", err)
return
}
//把内容写入到文件
fileName := strconv.Itoa(i) + ".html"
f, err1 := os.Create(fileName)
if err1 != nil {
fmt.Println("os.Create err1 = ", err1)
return
}
f.WriteString(result) //写内容
f.Close() //关闭文件
page <- i
}
func DoWork(start, end int) {
fmt.Printf("正在爬取 %d 到 %d 的页面\n", start, end)
page := make(chan int)
//1,明确目标（要知道你准备在哪个范围或者网站去搜索）
//https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=0 //下一页+50
for i := start; i <= end; i++ {
go SpiderPage(i, page)
}
for i := start; i <= end; i++ {
fmt.Printf("第%d个页面爬取完成\n", <-page)
}
}
func main() {
var start, end int
fmt.Printf("请输入起始页(>= 1)：")
fmt.Scan(&start)
fmt.Printf("请输入终止页(>= 起始页)：")
fmt.Scan(&end)
DoWork(start, end)
}
利用go关键词实现并发，然后再配合管道以保证任务在完成之前阻塞状态，从而能够正常完成。
Powered by Waline v2.9.1